基于深度学习的金融数据处理与策略优化
基于机器学习的RWA（Real World Asset）资产评估模型，采用多因子风险模型和蒙特卡洛模拟， 分析美国国债等传统资产的历史波动率、夏普比率等量化指标， 构建风险调整后收益预测模型，辅助投资决策分析。
基于期货定价理论的Delta中性套利策略，通过实时监控永续合约与现货的基差变化， 利用资金费率不平衡进行对冲交易。采用卡尔曼滤波算法优化头寸比例。
通过链上数据分析和协议基本面研究，识别Ethena、ListaDAO等优质Web3协议的投资机会。 结合TokenFlow分析、治理参与度评估和生态价值捕获模型。
采用LSTM神经网络进行时间序列预测，结合GARCH模型分析波动率聚集性， 使用强化学习优化交易策略参数，通过回测验证策略有效性和风险特征。
探讨金融科技量化策略研究与技术交流